当前位置：首页 > news >正文

介绍一下，Stable Diffusion！文生图的稳定之选

news 2024/11/14 13:47:36

Stable Diffusion（SD模型），由Stability AI与LAION等机构合作研发，是一款功能强大的生成式模型，拥有约10亿（1B）参数。其应用广泛，包括但不限于文生图（txt2img）、图生图（img2img）及图像修复（inpainting）等功能。

stable diffusion整合包可以扫描下方，免费获取

在这里插入图片描述

Stable Diffusion网络架构

#Stable Diffusion主要工作流：

**· 提示词输入与文本编码：

文本编码器（Text Encoder）首先将用户输入的提示词（Prompt）转换为语义向量**，这些语义向量携带着文本信息的精髓，为后续的图像生成提供指导。

**· 潜在空间压缩：

为降低计算复杂度并提取图像的核心特征，采用变分自编码器（VAE）将高维度的图像数据压缩到一个低维度的潜在空间。这个潜在空间是图像信息的精简表示**，为后续的处理提供了便利。

**· 正向扩散过程：

在潜在空间中，模型通过逐步添加噪声来模拟物理中的扩散现象**。这个过程使得图像的特征逐渐模糊，最终转化为完全随机的噪声分布。该步骤是后续噪声预测和图像恢复提的基础。

**· 噪声预测器训练：

在训练阶段，采用U-Net结构的神经网络作为噪声预测器**，该网络通过学习如何从噪声图像中恢复出原始图像来训练自己，从而具备预测潜在空间中图像噪声的能力。

**· 反向扩散与图像生成：

在生成阶段，模型利用训练好的噪声预测器来估计潜在空间中图像的噪声**，并逐步去除这些噪声。通过这一过程，模型能够从噪声中恢复出清晰的图像，实现图像的生成。

**· 条件生成机制：

SD模型通过提示词来引导图像的生成。这些提示词首先被分词且转换为嵌入向量**，再将向量输入到噪声预测器中，以指导整个图像生成过程。这种条件生成机制确保了生成的图像与提示词的内容高度匹配。

**· VAE解码与图像输出：

**最后，潜在空间中的图像通过VAE的解码器被转换回原始的像素空间，生成最终的图像。这一步骤将潜在空间中的图像信息还原为可视化的图像。

#CLIP Text Encoder模型：

在SD模型中前置引入CLIP Text Encoder模块，该模块负责将输入的文本信息编码成Text Embeddings特征矩阵，这一矩阵紧密关联并反映了文本信息的核心内容。随后，这些Text Embeddings被用作SD模型的控制信号，指导图像的生成过程，确保生成的图像与输入的文本信息高度匹配。

#VAE模块：

对于图生图任务，在提供文本信息的同时，还需要将原始图片送入VAE，VAE（变分自编码器，全称Variational Auto-Encoder）是一种基于Encoder-Decoder架构的先进生成模型。

VAE的Encoder组件负责将输入的图像高效地转换为一个低维度的Latent特征空间表示，这一表示捕捉了图像的关键信息。随后，这个低维的Latent特征被用作U-Net架构的输入，以进一步驱动图像的生成过程。

VAE的Decoder组件则承担着重建任务，它能够将这个低维的Latent特征逆向映射回原始的像素级图像，实现图像的高质量还原。

对于文生图任务，流程则相对简化：仅需输入文本信息，并借助random函数生成一个高斯噪声矩阵，这个矩阵将作为Latent Feature的替代。

#正向扩散与反向扩散：

· 正向扩散过程（Forward Diffusion Process）：是一个逐步向图像添加高斯噪声的过程，直至图像最终转变为近乎纯粹的随机噪声矩阵。这一过程模拟了信息从清晰图像向无序状态的自然过渡。

· 反向扩散过程（Reverse Diffusion Process）：则是一个去噪过程。它从一个随机噪声矩阵起始，通过一系列迭代步骤，逐步减少并去除噪声，直至最终恢复并生成一张清晰、有意义的图像。这一过程体现了从无序向有序、从潜在空间向可观察图像空间的逆向映射。

U-Net是一种在噪声估计与去除中广泛应用的神经网络架构，其名称源自其独特的U形结构。作为一种全卷积神经网络，U-Net在图像处理领域展现出了极高的效用。

该网络的核心特点在于其能够接收图像作为输入，并通过逐步的下采样（或称为编码过程）来提取图像的低维特征表示。这一过程有助于网络聚焦于图像中的重要属性和结构。随后，U-Net利用上采样（或称为解码过程）逐步恢复图像的细节，直至输出与输入图像尺寸相近的去噪图像。这种设计使得U-Net在图像去噪、分割等多种任务中表现出色。

#图像生成：

U-Net网络在SD中扮演着预测噪声的关键角色，并不断优化生成过程。在预测噪声的同时，U-Net还负责不断融入文本语义信息，以增强生成图像的相关性和准确性。为了更有效地控制生成过程，schedule算法被引入，它对U-Net每次预测的噪声进行动态调整和优化，从而精确控制U-Net预测噪声的强度。

在SD模型中，U-Net的迭代优化过程通常包含大约50到100个Timestep。随着迭代步数的增加，Latent Feature（潜在特征）的质量逐步提升，表现为纯噪声的减少以及图像和文本语义信息的增加。这一过程确保了生成图像的高质量和与输入文本的高度一致性。